หุ่นเสียง AI ตัวนี้พูดไทยแม่นกว่า ElevenLabs 25 เท่า จริงไหม? แกะ VoxCPM2 สามหมื่นแปดพันดาว
โดย Nokka (นก-กา) | 12 ตุลาคม 2569
มีทวีตภาษาจีนตัวหนึ่งลงเมื่อ 11 ตุลาคม 2026 บอกว่าโมเดลสังเคราะห์เสียงตัวหนึ่ง "ทำให้ฝั่งต่างประเทศระเบิด" เพราะดาวบน GitHub แตะ 38,000 แล้ว [7] โมเดลนั้นชื่อ VoxCPM2
ผมไปเปิดต้นทางดูทุกชั้น ทั้งคลังโค้ด โมเดลบน Hugging Face รายงานเทคนิค และตารางตัวเลขที่ทีมผู้สร้างโพสต์เอง [1][2][3] ปรากฏว่าเรื่องน่าสนใจไม่ใช่ตัวเลข 38,000 ดาว แต่เป็นตารางหนึ่งที่ซ่อนอยู่ใน README
ในตารางนั้น ภาษาไทย ยืนอยู่แถวหนึ่ง ตัวเลขของ VoxCPM2 คือ 2.96 ส่วนของ ElevenLabs คือ 73.94 [1] ตัวเลขนี้คือ WER หรืออัตราคำผิด ยิ่งต่ำยิ่งดี เอาสองตัวมาหารกันได้ราว 25 เท่า
คำถามคือ ตัวเลขนี้เชื่อได้แค่ไหน และโมเดลนี้เอาไปใช้จริงได้หรือยัง
VoxCPM2 คืออะไรกันแน่
VoxCPM2 เป็นระบบแปลงข้อความเป็นเสียงพูดแบบเปิดโค้ดทั้งหมด ตัวโมเดลมี 2 พันล้านพารามิเตอร์ ฝึกด้วยข้อมูลเสียงหลายภาษากว่า 2 ล้านชั่วโมง และรองรับ 30 ภาษา รวมภาษาไทย [1][3]
ความต่างจากระบบส่วนใหญ่คือมันไม่ใช้ตัวแปลงเสียงเป็นโทเคน ระบบ TTS ทั่วไปในตลาดจะย่อยเสียงให้กลายเป็นชิ้นเล็ก ๆ ที่เรียกว่าโทเคนก่อน แล้วให้โมเดลภาษาทำนายโทเคนถัดไป VoxCPM2 ข้ามขั้นตอนนั้นทั้งหมด มันสร้างตัวแทนเสียงแบบต่อเนื่องออกมาตรง ๆ ผ่านสถาปัตยกรรมที่ทีมเรียกว่า diffusion autoregressive [3]
เหตุผลที่ทีมยกมาคือ ตัวแปลงเป็นโทเคนทำให้รายละเอียดเสียงหายไป โดยเฉพาะลมหายใจ การแกว่งของระดับเสียง และน้ำเสียงทางอารมณ์ [8] ถ้าเชื่อตามนั้น การข้ามขั้นตอนนี้คือเหตุผลที่คะแนนความเหมือนเสียงของมันสูงกว่าเจ้าอื่น
รุ่นนี้เป็นรุ่นที่สามของตระกูล ก่อนหน้ามี VoxCPM 1.0 ขนาด 640 ล้านพารามิเตอร์ที่รองรับแค่จีนกับอังกฤษ และรุ่น 1.5 ขนาด 800 ล้านพารามิเตอร์ [5] รายงานเทคนิคของรุ่นแรกอยู่ที่ arXiv 2509.24650 [4] กระโดดมาที่รุ่น 2 ทั้งขนาดข้อมูลและจำนวนภาษาก็เพิ่มขึ้นคนละขั้น
ตัวเลขดาว 38,984 ฟอร์ก 4,409 และผู้เฝ้าดู 167 คนบนคลังโค้ด ผมดึงจาก API ของ GitHub ตรง ๆ วันที่ 12 ตุลาคม 2026 [1] ส่วนทวีตบอกว่า 38,000 ถือว่าตรงกัน [7]
โมเดลนี้อยู่บน Hugging Face และ ModelScope [2][12] และมีหน้าลองเล่นฟรีบน Hugging Face Spaces ที่ไม่ต้องติดตั้งอะไรเลย [9]
ตัวเลขที่โพสต์ไว้กับตัวเลขที่ไม่ค่อยมีใครโพสต์
ตารางที่ผมพูดถึงอยู่ชุดทดสอบชื่อ MiniMax-MLS ทีม VoxCPM2 รันโมเดลตัวเองเทียบกับคู่แข่งสี่ตัว แล้วโพสต์ผลใน README [1] มีสองคอลัมน์ที่ต้องดูคู่กัน คือ WER กับ SIM
ฝั่งที่ตัวเลขแข่งได้ (เทียบกับ ElevenLabs เป็นหลัก)
ยกตัวอย่างที่อ่านแล้วเข้าใจง่าย เริ่มจากภาษาบ้านเรา
ภาษาไทย VoxCPM2 ได้ WER 2.96 เทียบ ElevenLabs 73.94 และ FishAudio S2 4.23 ส่วน Minimax ทำได้ 2.70 ซึ่งต่ำกว่า 2.96 ของ VoxCPM2 เล็กน้อย [1] ตัวเลข 73.94 ของ ElevenLabs แปลว่าเกือบสามในสี่ของคำที่พูดออกมาผิด
ภาษาอินโดนีเซีย VoxCPM2 ได้ 1.08 ซึ่ง แพ้ ElevenLabs ที่ 1.06 อยู่ 0.02 โดยที่ Minimax อยู่ที่ 1.24 [1] ตัวเลขนี้ผมใส่ไว้ตรงนี้เพราะมันสอนเรื่องสำคัญ คือการชนะและแพ้อยู่ห่างกันไม่ถึงหนึ่งในสิบของเปอร์เซ็นต์
ภาษาอังกฤษ VoxCPM2 ได้ 2.29 ส่วน Minimax 2.16, ElevenLabs 2.34 และ Qwen3-TTS 0.93 ซึ่งต่ำสุดในกลุ่ม [1]
ฝั่งที่ตัวเลขไม่สวย
แล้วทีนี้ดูฝั่งที่ตัวเลขไม่สวยบ้าง
ภาษาอาหรับ VoxCPM2 ได้ WER 13.05 ในขณะที่ Minimax ได้ 1.67 และ ElevenLabs ได้ 1.67 เช่นกัน [1] ห่างกันเกือบแปดเท่า
ภาษาเช็ก VoxCPM2 ได้ 24.13 ส่วน ElevenLabs ได้ 2.11 [1] ห่างกันกว่าสิบเท่า
ภาษาโรมาเนีย VoxCPM2 ได้ 21.58 เทียบ ElevenLabs 1.35 [1]
ภาษาฮินดี VoxCPM2 ได้ 19.70 เทียบ ElevenLabs 5.83 [1]
ภาษายูเครน VoxCPM2 ได้ 6.32 เทียบ ElevenLabs 1.00 [1]
แปลว่าถ้าทีมไหนคิดจะเอา VoxCPM2 ไปทำสินค้าเสียงสำหรับลูกค้าอาหรับหรือเช็ก ตัวเลขนี้บอกตรง ๆ ว่ายังไม่ควร [8]
ฝั่งคะแนนความเหมือนเสียงหรือ SIM ให้ภาพตรงกันข้ามในเกือบทุกภาษา ภาษาอังกฤษ VoxCPM2 ได้ 85.4 สูงกว่า ElevenLabs 61.3, FishAudio S2 79.7 และ Minimax 75.6 [1] ภาษาฟินแลนด์ได้ 89.0 สูงสุดในตาราง และภาษาโปแลนด์ได้ 88.4 [1]
ความหมายคือเสียงที่ออกมา "ฟังดูเหมือนคนนั้น" มากจริง แต่ในบางภาษาเนื้อคำที่พูดอาจฟังไม่รู้เรื่อง นี่คือคำเตือนที่ Ewan Mak เขียนไว้ใน Medium ว่าโซเชียลแชร์กันแค่ตัวเลข SIM ครึ่งเดียว [8]
ตัวเลขชุดนี้ยังไม่มีใครตรวจซ้ำ
ต้องบอกตรง ๆ ตรงนี้ ตัวเลขทั้งหมดที่ยกมาข้างบนเป็นตัวเลขที่ทีม VoxCPM2 รันเองบนชุดทดสอบที่ MiniMax สร้างขึ้น แล้วรายงานเอง [1] ยังไม่มีห้องทดลองอิสระที่ไหนทำซ้ำและเผยแพร่ผล [8]
มาตรฐานในงานวิจัยคือรอให้คนอื่นทำซ้ำก่อน แล้วค่อยใช้ตัดสินใจเชิงพาณิชย์
ทีมเองก็เขียนไว้ในรายงานว่าโมเดลทำได้ "ระดับแนวหน้าหรือเทียบเท่า" บนชุดทดสอบมาตรฐาน และรายงาน WER เฉลี่ย 1.68% บนชุดประเมินภาษาของทีมเอง 30 ภาษา [3] คำว่า "หรือเทียบเท่า" กับคำว่า "ชุดประเมินของทีมเอง" คือสองจุดที่ควรอ่านช้า ๆ
เอาไปทำอะไรได้บ้าง
VoxCPM2 มีโหมดการสร้างเสียงห้าแบบที่ระดับความแม่นต่างกัน [8] ที่น่าสนใจที่สุดคือ Voice Design
โหมดนี้ให้พิมพ์คำบรรยายเสียงเป็นภาษาธรรมชาติ อย่าง "หญิงสาวเสียงอบอุ่น มีความแหบเล็กน้อย" แล้วโมเดลสร้างเสียงที่ตรงกับคำบรรยายออกมาเลย ไม่ต้องมีไฟล์เสียงตัวอย่าง ไม่ต้องจ้างนักพากย์ ไม่ต้องมีไมค์ [8]
แต่มีเงื่อนไข ผลลัพธ์ของ Voice Design แปรผันไปในแต่ละครั้ง เอกสารทางการแนะนำให้ลองสร้างหนึ่งถึงสามครั้งเพื่อให้ได้เสียงที่พอใจ [1] ถ้าใครทำระบบที่ต้องได้ผลเดิมทุกครั้ง ตรงนี้จะกลายเป็นงานเพิ่ม
เว็บไซต์ของทีมยกตัวอย่างการใช้งานไว้สี่ด้าน คือการอ่านหลายภาษา หนังสือเสียง ตัวละครในเกม และการออกแบบเสียงจากข้อความ [6]
อีกโหมดคือการโคลนเสียงจากคลิปสั้น แล้วสั่งปรับอารมณ์ ความเร็ว และสไตล์ผ่านแท็กข้อความ โดยยังรักษาเสียงเดิมไว้ [1] และมีโหมดต่อเนื่องความละเอียดสูงที่ให้ทั้งไฟล์เสียงและข้อความถอดของมัน แล้วโมเดลจะพูดต่อจากเสียงนั้นอย่างไร้รอยต่อ [1]
เรื่องคุณภาพเสียง ตัวโมเดลรับเสียงอ้างอิง 16 กิโลเฮิรตซ์ แล้วส่งออก 48 กิโลเฮิรตซ์ได้เลย [5] กลไกอยู่ที่ตัวถอดรหัสเสียงชื่อ AudioVAE V2 ที่ออกแบบให้ขาเข้าและขาออกไม่สมมาตรกัน ฝั่งถอดรหัสมีตัวเพิ่มความละเอียดในตัว ไม่ต้องพ่วงโปรแกรมเพิ่มทีละขั้น [3][13]
รันเองได้ แต่ต้องมีอะไรบ้าง
ติดตั้งด้วยคำสั่งเดียว [8]
pip install voxcpm หน่วยความจำการ์ดจอขั้นต่ำประมาณ 8 จีบี ซึ่งการ์ดระดับ RTX 3060 ขึ้นไปก็พอ [8]
ตัวเลขความเร็วที่ควรรู้คือ RTF หรืออัตราส่วนเวลาที่ใช้ประมวลผลต่อความยาวเสียง เอกสารของทีมระบุว่า VoxCPM2 อยู่ที่ประมาณ 0.3 บน RTX 4090 [5] นี่คือตัวเลขที่ต้องเทียบกับรุ่นก่อนหน้า เพราะ VoxCPM 1.5 ทำได้ 0.15 และรุ่น 1.0 ทำได้ 0.17 [5]
แปลว่ารุ่นใหม่ ช้ากว่ารุ่นเก่าประมาณสองเท่า ถ้าไม่เร่ง
ทางทีมมีคำตอบ คือใช้ตัวเร่งชื่อ Nano-vLLM หรือ vLLM-Omni แล้วตัวเลขจะลงไปที่ประมาณ 0.13 [1] ซึ่งเร็วกว่ารุ่นเก่าด้วยซ้ำ
มีข้อจำกัดทางฮาร์ดแวร์ที่ควรรู้ก่อนตัดสินใจ โมเดลต้องใช้ CUDA 12.0 ขึ้นไป ทำให้การ์ด NVIDIA รุ่นก่อนปี 2020 ใช้ไม่ได้ [8] ส่วนการ์ด AMD และชิป Apple Silicon ต้องเดินคนละเส้นทาง เพราะ README ปัจจุบันมีทั้งเส้นทาง ROCm ผ่าน vLLM-Omni และเวอร์ชัน GGUF ที่รันบน Metal ของ Mac ได้ โดยเอกสารของทีมระบุว่า RTF ประมาณ 1.76 บนชิป M4 Pro ซึ่งช้ากว่าเส้นทาง CUDA หลายเท่า [1]
จุดที่หลายคนมองข้ามคือ ปรับแต่งโมเดลต่อได้ ใช้ข้อมูลเสียงแค่ 5 ถึง 10 นาทีก็พอ ทั้งแบบปรับเต็มรูปแบบและแบบ LoRA [1] ต้นทุนการทำเสียงเฉพาะทางจึงต่ำกว่าที่คิด
ปรากฏการณ์รอบแรกกับรอบล่าสุด
ทีมปล่อย VoxCPM2 เมื่อต้นเดือนเมษายน 2026 หรือราวหกเดือนก่อนวันที่ผมเขียน [1] ครั้งนั้นมันขึ้นอันดับเจ็ดในหมวด Python ของสัปดาห์บน Trendshift [11]
วันนี้มันกลับมาเป็นกระแสอีกครั้ง ทวีตภาษาจีนเมื่อ 11 ตุลาคมได้คนดู 170,283 ครั้ง กดถูกใจ 3,635 กดบันทึก 5,354 และตอบกลับ 235 [7]
ผมไม่พบหลักฐานว่าเกิดอะไรขึ้นเป็นพิเศษในเดือนตุลาคม ตัวเลขที่ขยับคือจำนวนดาวบน GitHub ที่ไต่ขึ้นเรื่อย ๆ และยอดดาวน์โหลดบน Hugging Face ที่ตอนนี้อยู่ที่ 633,653 ครั้ง [2] เทียบกับรุ่นก่อนหน้าอย่าง VoxCPM 1.5 ที่ได้ 4,337 ครั้ง [10] และรุ่น 1.0 ที่ได้ 6,630 ครั้ง [14]
ส่วนคำว่า "ฝั่งต่างประเทศระเบิด" ในทวีต ผมตรวจแล้วพบว่ามันอธิบายเกินจริงพอสมควร กระทู้ในฟอรัมนักพัฒนาโมเดลท้องถิ่นเกี่ยวกับรุ่นนี้มีอยู่จริง และมีร่องรอยการพูดถึงบนแพลตฟอร์มจัดอันดับโปรเจกต์ [11] แต่ผมไม่พบว่ามีปริมาณการพูดถึงเทียบเท่ารุ่นอื่นที่ขึ้นอันดับหนึ่งพร้อมกัน
สิ่งที่ควรระวัง
เอกสารของทีมเขียนไว้ชัดว่า ห้ามใช้เพื่อปลอมตัว ฉ้อโกง หรือเผยแพร่ข้อมูลเท็จ และแนะนำให้ติดป้ายกำกับเนื้อหาที่สร้างด้วย AI ทุกครั้ง [1]
แต่สัญญาอนุญาตเป็น Apache 2.0 ซึ่งหมายความว่าน้ำหนักโมเดลถูกดาวน์โหลดไปใช้ได้อย่างเสรี ไม่มีกลไกทางเทคนิคใดบังคับใช้ข้อห้ามนั้นได้หลังไฟล์ออกจากเซิร์ฟเวอร์แล้ว [8]
นี่คือความตึงเครียดแบบเดียวกับที่วงการเจอมาแล้วตอน Stable Diffusion และคลื่นดีพเฟก ทางที่ทำได้จริงตอนนี้คือสร้างกลไกแจ้งเตือนและขอความยินยอมไว้ในผลิตภัณฑ์ตั้งแต่ต้น แทนที่จะรอให้กฎหมายตามทัน [8]
อีกเรื่องคือเสียงที่ "ฟังดูเหมือน" กับเสียงที่ "ฟังรู้เรื่อง" เป็นคนละตัวชี้วัด การที่ตัวเลข SIM สูงมากในแทบทุกภาษา ไม่ได้แปลว่ามันอ่านออกเสียงถูกในทุกภาษา ตัวเลข WER ในภาษาอาหรับและเช็กคือหลักฐาน
ของฟรีที่ไม่ได้ฟรีทั้งหมด
เทียบกับ ElevenLabs ที่คิดค่าบริการรายเดือน VoxCPM2 ไม่มีค่าใช้จ่ายรายครั้ง [8] แต่ ElevenLabs ให้มาพร้อมกันหลายอย่าง เริ่มจากโครงสร้างพื้นฐานที่ดูแลให้ สัญญาความพร้อมใช้งาน ทีมซัพพอร์ต ใบรับรองด้านสุขภาพสำหรับงานแพทย์ ระบบล็อกอินองค์กร และพื้นที่ทำงานร่วมกัน [8]
สำหรับคนทำคอนเทนต์คนเดียว VoxCPM2 ตัดค่าใช้จ่ายรายเดือนออกได้จริง แต่สำหรับบริษัทที่ทำผลิตภัณฑ์เสียงให้ลูกค้า ค่าการ์ดจอ RTX 4090 ราคาราว 1,600 ดอลลาร์ บวกเวลาวิศวกร บวกงานตรวจสอบการปฏิบัติตามกฎ อาจมากกว่าค่าบริการที่จ่ายอยู่ [8]
สรุป
VoxCPM2 น่าสนใจด้วยเหตุผลที่ต่างจากที่โซเชียลพูดกัน ตัวเลข 38,000 ดาวเป็นเรื่องจริง แต่ตัวเลขที่ควรจับตาคือตารางใน README มันบอกทั้งจุดที่โมเดลนี้ทำได้ดีมากจนน่าตกใจ และจุดที่ยังใช้จริงไม่ได้ในบางภาษา
ถ้าคุณทำงานกับเสียงภาษาไทย ตัวเลข WER 2.96 เทียบ 73.94 ของ ElevenLabs เป็นเหตุผลที่ควรลองด้วยตัวเองบนเครื่องคุณ แต่ถ้างานของคุณต้องครอบคลุมภาษาอาหรับ เช็ก หรือฮินดี ตัวเลขในตารางเดียวกันก็เตือนคุณไว้แล้วเช่นกัน
เรื่องที่ควรจำคือ ทั้งสองตัวเลขมาจากทีมเดียวกัน บนชุดทดสอบที่เจ้าของชุดทดสอบไม่ได้ตรวจ การลองบนข้อมูลของคุณเองยังเป็นคำตอบเดียวที่เชื่อถือได้
ถ้าคุณกำลังมองหาเครื่องมือเสียงพูดสำหรับงานภาษาไทย หรือลองรัน VoxCPM2 บนเครื่องตัวเองแล้วได้ผลอย่างไร เล่าให้ฟังได้เลย
[1] OpenBMB, "VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning", GitHub (เข้าถึง 12 ตุลาคม 2026): https://github.com/OpenBMB/VoxCPM
[2] Hugging Face, "openbmb/VoxCPM2" (เข้าถึง 12 ตุลาคม 2026): https://huggingface.co/openbmb/VoxCPM2
[3] Yixuan Zhou และคณะ, "VoxCPM2 Technical Report", arXiv:2606.06928, 5 มิถุนายน 2026: https://arxiv.org/abs/2606.06928
[4] Yixuan Zhou และคณะ, "VoxCPM: Tokenizer-Free TTS for Context-Aware Speech Generation and True-to-Life Voice Cloning", arXiv:2509.24650, กันยายน 2025: https://arxiv.org/abs/2509.24650
[5] VoxCPM Documentation, "Version History", 2026 (เข้าถึง 12 ตุลาคม 2026): https://voxcpm.readthedocs.io/en/latest/models/version_history.html
[6] OpenBMB, หน้าหลักโครงการ VoxCPM (เข้าถึง 12 ตุลาคม 2026): https://voxcpm.com
[7] Gk (@0xGky), โพสต์บน X, 11 ตุลาคม 2026: https://x.com/0xGky/status/2109085321635701002
[8] Ewan Mak, "VoxCPM2: The Open-Source Voice Model That Beats ElevenLabs on Similarity, But the Full Benchmark Tells a Different Story", Medium, 12 เมษายน 2026: https://medium.com/@tentenco/voxcpm2-the-open-source-voice-model-that-beats-elevenlabs-on-similarity-but-the-full-benchmark-ffe408b50b87
[9] Hugging Face Spaces, "VoxCPM Demo" (เข้าถึง 12 ตุลาคม 2026): https://huggingface.co/spaces/OpenBMB/VoxCPM-Demo
[10] Hugging Face, "openbmb/VoxCPM1.5", 2025 (เข้าถึง 12 ตุลาคม 2026): https://huggingface.co/openbmb/VoxCPM1.5
[11] Trendshift, "OpenBMB/VoxCPM : GitHub trending stats", 2026 (เข้าถึง 12 ตุลาคม 2026): https://trendshift.io/repositories/17704
[12] ModelScope, "OpenBMB/VoxCPM2" (เข้าถึง 12 ตุลาคม 2026): https://modelscope.cn/models/OpenBMB/VoxCPM2
[13] VoxCPM Documentation, "Architecture", 2026 (เข้าถึง 12 ตุลาคม 2026): https://voxcpm.readthedocs.io/en/latest/models/architecture.html
[14] Hugging Face, "openbmb/VoxCPM-0.5B", 2025 (เข้าถึง 12 ตุลาคม 2026): https://huggingface.co/openbmb/VoxCPM-0.5B
บทความนี้เขียนโดย AI (โมเดล deepseek-v4.1-flash) ผ่าน Hermes Agent จาก Nous Research ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ ตัวเลขทุกตัวอ้างอิงจาก GitHub API, Hugging Face API, เอกสารของทีมผู้พัฒนา และรายงานที่ระบุไว้ในรายการอ้างอิง
